Técnicas de Codificação de Voz Aplicadas em Sistemas

Prévia do material em texto

CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
1 
PAPER 
Técnicas de Codificação de Voz Aplicadas em Sistemas 
Móveis Celulares 
 
João Luiz A. CARVALHO (97/07867) e Danilo DIAS (97/07760) 
 
 
RESUMO Este trabalho aborda os conceitos básicos das 
principais técnicas de codificação de voz utilizadas em 
sistemas móveis celulares. Trata inicialmente das 
características do sinal de voz e das diferenças entre 
codificadores de forma de onda, paramétricos e híbridos. Na 
seqüência, são apresentados os codificadores LPC e CELP e 
os principais algoritmos efetivamente aplicados na telefonia 
móvel: RPE-LTP, VSELP, ACELP e QCELP. 
palavras-chave: codificação de sinais de voz, codificadores de forma de 
onda, codificadores paramétricos, codificadores híbridos, LPC, RPE-
LTP, GSM, CELP, VSELP, IS-54, ACELP, IS-136, QCELP, 
IS-95. 
 
1. Introdução 
 
O desenvolvimento de técnicas avançadas de 
codificação de voz tornou possível e viável a introdução 
dos sistemas digitais de telefonia móvel, diminuindo a 
largura de banda requerida por usuário. Assim, foi 
possível aumentar o número de usuários do sistema, 
tornando a telefonia celular um sistema mais barato e 
acessível à população. 
No entanto, o processo de codificação deve ser 
simples e rápido o suficiente para que o sistema 
funcione em tempo real com processadores 
relativamente baratos e de baixo consumo. Além disso, 
a qualidade da voz codificada deve ser tal que permita 
não só a inteligibilidade do que é ouvido, mas também 
que se possa reconhecer o interlocutor e perceber 
outras informações como a entonação e a emoção. 
As técnicas de codificação abordadas neste 
trabalho fornecem qualidade de voz suficiente para 
estes fins, e devido à possibilidade de uso de 
codificação de canal, além da própria robustez 
intrínseca de cada algoritmo e do sistema digital em si, 
conseguem qualidade de voz superior à dos sistemas 
analógicos frente a ruído no canal. 
Este trabalho aborda inicialmente os conceitos 
básicos envolvidos na codificação de voz, tratando 
sobre as características do sinal de voz e as diferenças 
entre codificadores de forma de onda, paramétricos e 
híbridos. A seguir, idéias básicas sobre amostragem, 
quantização e codificação de linha são apresentadas, e 
introduzem-se os codificadores LPC e CELP nos quais 
são baseadas as demais técnicas abordadas. As 
principais técnicas aplicadas nos sistemas móveis atuais 
(Tabela 1) são então apresentadas e, em conclusão, faz-
se uma análise comparativa sobre as técnicas discutidas. 
 
Tabela 1 Sistemas móveis e técnicas de codificação aplicadas 
Padrão Técnica Taxa de bits 
GSM RPE-LTP 13 kbit/s 
IS-54B VSELP 7,95 kbit/s 
IS-136 VSELP/ACELP 7,95 kbit/s 
IS-95 QCELP 1,2/2,4/4,8/9,6 kbit/s 
 
2. Características do Sinal de Voz 
 
Para se desenvolver uma técnica de codificação 
eficiente, é necessário antes conhecer as características 
básicas do sinal de voz. O mecanismo de produção da 
voz apresenta uma resposta limitada em freqüência, 
com limite por volta de 10kHz. Como a maior parte da 
energia do sinal de voz está concentrada na faixa de 
freqüência entre 300 e 3400 Hz, pode se limitar o canal 
a esta banda com uma perda tolerável em qualidade. 
O sinal de voz se apresenta de forma sonora ou 
surda, conforme haja vibração ou não das cordas 
vocais. São classificados como sinais surdos na fala, 
fonemas com características de ruído, como o 'S' e o 
'CH'. Já os sinais sonoros são as vogais e consoantes 
com características não ruidosas. Nestes sinais, a 
vibração das cordas vocais se dá a partir de uma 
freqüência fundamental, ou o pitch. As demais 
harmônicas definem o timbre, que é o que modela a 
forma de onda periódica, trazendo assim informações 
importantes, já que é essa forma de onda que permite o 
reconhecimento de um fonema e também do 
interlocutor. Portanto, o timbre é uma característica 
fundamental para que se possam distinguir vozes de 
mesma freqüência que sejam emitidas por diferentes 
pessoas. Uma outra característica importante do sinal 
de voz é a amplitude, que determina a intensidade do 
som, e é função da força ou potência com que a voz é 
produzida. 
Todas as características citadas acima podem ser 
observadas nos segmentos de voz da Fig. 1, que estão 
na mesma escala de tempo e amplitude. Nos segmentos 
sonoros das Figs. 1(a) e 1(b) é fácil notar que as 
amplitudes são altas e que há uma periodicidade, 
ENE/FT/UNB JULHO DE 2000 
2 
determinada pelo pitch. Já no segmento surdo da Fig. 
1(c) os níveis de amplitude são relativamente baixos e 
não há periodicidade, fazendo com que o sinal lembre 
um ruído. Comparando ainda os dois segmentos 
sonoros, é possível perceber que além de terem formas 
de onda bastante diferentes, permitindo assim distinção 
dos diferentes fonemas, o segmento da Fig. 1(a) tem 
um período de pitch menor que o da Fig. 1(b), o que 
caracteriza uma voz mais aguda. As pequenas diferenças 
percebidas no sinal a cada período de pitch é um dos 
fatores que torna mais difícil a codificação. 
 
 
(a) Segmento sonoro: fonema Ô 
 
 
(b) Segmento sonoro: fonema A 
 
 
(c) Segmento surdo: fonema S 
 
Fig. 1 Comparação entre segmentos sonoros e surdos 
 
Para codificação de sinais de voz, algumas 
propriedades do sinal são exploradas com mais ênfase: 
 
 a distribuição de probabilidade da amplitude do 
sinal não é uniforme; 
 a autocorrelação entre amostras sucessivas da voz 
é diferente de zero; 
 o espectro de freqüência do sinal não é uniforme; 
 é possível distinguir no sinal de voz segmentos 
sonoros e segmentos surdos; 
 existe no sinal de voz uma quase periodicidade. 
 
As propriedades citadas acima permitem uma 
quantização com baixo ruído e técnicas de codificação 
que tendem a diminuir a redundância do sinal de voz, 
que, por ser limitado em banda, pode ser discretizado 
no tempo a uma taxa finita por um processo de 
amostragem, e ser reconstruído completamente de suas 
amostras. A amostragem, a quantização e a codificação 
desses sinais serão discutidas nos itens a seguir. 
 
3. Codificadores de Forma de Onda 
 
Os codificadores de forma de onda, ou de linha, são 
esquemas que tentam aproximar o sinal gerado ao sinal 
de voz original. A forma básica de codificação aplicada 
no sinal de voz é a digitalização, uma vez que o sinal 
obtido é analógico ou contínuo no tempo. Para isso, 
são usados sistemas que amostram o sinal, quantizam as 
amostras obtidas e as convertem para o sistema binário. 
Por implicarem em sinais digitais com altas taxas 
de bits, esses sistemas não são utilizados diretamente 
nos sistemas de telefonia móvel, mas são necessários 
para que formas de codificação mais eficientes sejam 
aplicadas, uma vez que todas essas técnicas utilizam 
processamento digital de sinais. 
O sinal amostrado é definido com um sinal PAM 
(Pulse Amplitude Modulation), e após a quantização e a 
codificação, o sinal digital é definido como um sinal 
PCM, ou Pulse Code Modulation. Cada um desses passos 
da digitalização do sinal de voz é discutido a seguir. 
 
3.1 Amostragem 
 
Apesar de ser limitado em banda, nem toda a 
informação inicial do sinal analógico é amostrada. 
Como já mencionado, consegue-se uma boa qualidade 
de voz considerando-se apenas componentes de 
freqüência compreendidas na faixa entre 300 e 3400 
Hz. Explorando essa característica, o sinal original - na 
faixa de 10kHz - é filtrado, para limitá-lo dentro de 
faixa de 4kHz, e a seguir amostrado, segundo o 
Teorema de Nyquist, a uma taxa de 8kHz, ou seja, 8000 
amostras por segundo. 
Se for utilizada uma taxa de amostragem inferior a 
8kHz, é provável que ocorra superposição espectral 
(aliasing), resultando em distorções nas componentes 
mais altas de freqüência. Utilizando-se taxas mais 
elevadas, serão necessários amostradores mais caros, 
sem ganho na qualidade, e resultando em uma maior 
taxa de bits após a codificação. 
 
3.2 Quantização 
 
O sinal amostrado é discreto no tempo, mas tem 
valores contínuos deamplitude. A quantização é o 
processo que consiste em discretizar esses valores, 
explorando características da distribuição de 
probabilidade da amplitude do sinal, obtendo assim 
uma perda menos sensível de informações devido ao 
truncamento do sinal amostrado. 
Essa perda de informação é chamada de ruído de 
quantização e pode ser minimizada utilizando-se níveis 
CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
3 
de quantização com distância variada de acordo com a 
amplitude, uma vez que amostras de menor amplitude 
são mais prováveis, trazendo assim a maior parte da 
informação. Na Fig. 2 é possível observar como essa 
técnica melhora a quantização de sinais de baixa 
amplitude, uma vez que com a quantização uniforme a 
informação amostrada praticamente não descreve a 
original, enquanto que com a quantização não uniforme 
o sinal quantizado se aproxima mais da onda que deve 
ser codificada. Há, no entanto, uma maior distorção na 
quantização de amostras de maior amplitude, que por 
serem menos prováveis, influem menos na quantização 
do sinal como um todo. 
 
 
Fig. 2 Comparação: quantização uniforme e não uniforme[12] 
 
As técnicas que exploram as características da 
distribuição de probabilidade da amplitude do sinal são 
chamadas de log-PCM, sendo que os esquemas mais 
utilizados são as duas leis de compressão recomendadas 
pelo antigo CCITT (atual ITU-T): a lei- e a lei-A. 
Esses sinais são obtidos através de uma compressão do 
sinal antes da quantização e uma expansão após a 
decodificação. Esse processo é conhecido como 
compansão e é utilizado no sistema de telefonia fixa. 
 
3.3 Codificação 
 
O sinal amostrado e quantizado, já com características 
discretas tanto no tempo como na amplitude, deve ser 
então convertido para um esquema que possa ser 
facilmente processado por microcomputadores e outros 
sistemas digitais e que possa permitir técnicas de 
codificação que minimizem sua redundância e técnicas 
de modulação que melhorem o desempenho na 
transmissão. Obviamente esse esquema é o binário. 
Cada amostra do sinal é codificada como uma 
seqüência de bits que traz a informação do valor 
quantizado da amplitude da amostra em questão. Um 
maior número de bits permite um número maior de 
níveis de quantização, segundo a equação L=2n, onde n 
é o número de bits e L é o número de níveis de 
quantização. Usando mais níveis de quantização, 
diminui-se o intervalo entre níveis e assim o ruído de 
quantização. 
Utilizando o log-PCM, é possível conseguir uma 
boa qualidade de voz com apenas 256 níveis, ou 8 bits. 
Como a taxa de amostragem é de 8KHz, esse esquema 
implica em uma taxa de bits de 64kbit/s, usado na 
telefonia fixa. Essa taxa é considerada muito alta para 
um sistema de telefonia móvel, onde a banda utilizada 
por cada usuário deve ser a menor possível. Portanto, 
são necessárias técnicas de codificação adicionais que 
diminuam essa taxa de bits para valores mais adequados 
a esse tipo de sistema. 
 
3.4 PCM Adaptativo e Diferencial 
 
Algumas técnicas adicionais podem ser utilizadas para 
diminuir a taxa de bits nos codificadores de forma de 
onda. Entre elas convêm destacar o PCM Adaptativo 
(APCM), o PCM Diferencial (DPCM) e o PCM 
Adaptativo e Diferencial (ADPCM). 
No APCM, o passo de quantização varia com o 
tempo, de modo a acompanhar as variações de 
amplitude do sinal de voz, baseando-se nas amostras 
passadas do mesmo. Assim reduz-se a faixa dinâmica 
do sinal e conseqüentemente a taxa final de 
transmissão. 
Já o DPCM explora a significativa correlação entre 
amostras sucessivas do sinal de voz, uma vez que este é 
bastante redundante. Nesta técnica quantiza-se a 
diferença de amplitude entre amostras adjacentes, que 
por ser relativamente pequena, pode ser representada 
com menos bits. O sinal de entrada no quantizador é a 
diferença entre o sinal original e uma predição do 
mesmo, baseada nas amostras passadas, resultando em 
um sinal chamado de erro de predição, que por sua vez 
é codificado a uma taxa de 32 kbit/s. 
Os codificadores ADPCM empregam quantização 
e/ou predição adaptativas. A predição adaptativa 
consiste no ajuste dinâmico do preditor de acordo com 
variações no sinal de voz. Assim codificadores ADPCM 
apresentam boa qualidade de voz para taxas entre 24 e 
48kbit/s. 
 
4. Codificadores Paramétricos e Híbridos 
 
Codificadores paramétricos operam utilizando um 
modelo de como o sinal foi gerado, e tentam extrair do 
sinal os parâmetros desse modelo. São esses parâmetros 
que são enviados ao decodificador. Codificadores 
paramétricos para sinais de voz são chamados de 
vocoders, e como são baseados nas estatísticas do sinal 
de voz, não funcionam para outro tipo de sinais. Além 
disso, a qualidade é inferior a dos padrões telefônicos, e 
a voz reproduzida tem um aspecto sintético ou não 
ENE/FT/UNB JULHO DE 2000 
4 
natural, mas esses sistemas fornecem inteligibilidade da 
voz com taxas abaixo de 4kbit/s. 
Nos vocoders, o trato vocal é representado como 
um filtro variante no tempo e é excitado ou com uma 
fonte de ruído branco, para segmentos surdos do sinal 
de voz, ou com um trem de pulsos separados pelo 
período de pitch, para segmentos sonoros. Portanto, a 
informação que deve ser enviada ao decodificador é a 
especificação do filtro, um flag de segmento 
sonoro/surdo, o ganho aplicado ao sinal de excitação 
(G) e o período de pitch, para os segmentos sonoros. 
Essas informações são atualizadas a cada 10-20ms para 
seguir a natureza não-estacionária da fala. 
Esses parâmetros do modelo podem ser 
determinados pelo codificador por diferentes métodos, 
usando técnicas no domínio do tempo ou no domínio 
da freqüência. Porém, um tipo de vocoder muito 
utilizado é o LPC, que extrai características 
perceptivelmente importantes do sinal de voz 
diretamente da forma de onda no tempo. 
Com taxas de bits entre 4 e 16 kbit/s (um pouco 
maior que as dos vocoders), os codificadores híbridos, 
que exploram técnicas tanto dos codificadores 
paramétricos como dos de forma de onda, conseguem 
uma qualidade muito próxima à dos codificadores de 
linha, que requerem taxas acima de 16kbit/s. Os 
codificadores híbridos também são baseados nos 
modelos de produção da voz e utilizam uma excitação 
mais apurada para o sintetizador, que propicia uma 
melhora na qualidade da voz sintetizada, tornando-a 
mais inteligível que nos vocoders convencionais. 
A qualidade da voz, em função da taxa de bits e do 
tipo de codificador, é apresentada no gráfico da Fig. 3. 
 
 
Fig. 3 Comparação entre classes de codificadores de voz [3] 
 
As técnicas de codificação abordadas neste 
trabalho distinguem-se basicamente por alterações no 
processo de geração da excitação, já que a modelagem 
do trato vocal basicamente não sofre modificações em 
qualquer codificador de voz que utilize predição linear a 
curto termo. Por este motivo o vocoder LPC é 
apresentado a seguir. 
5. Linear Prediction Coding: LPC 
 
O LPC (Codificação Por Predição Linear) é um 
codificador paramétrico de sinais de voz muito utilizado 
e que, como já mencionado, extrai os parâmetros para o 
modelo do trato vocal diretamente da forma de onda 
no tempo, obtendo um resultado melhor que outros 
tipos de vocoders que obtêm seus parâmetros a partir 
do espectro de freqüência. 
Fundamentalmente, um LPC analisa a forma de 
onda para produzir um filtro de síntese variante no 
tempo que modela o trato vocal, reproduzindo sua 
função de transferência. No receptor, cujo diagrama de 
blocos é apresentado na Fig. 4, um sintetizador recria o 
sinal de voz pela passagem de uma excitação específica 
pelo mesmo modelo matemático do trato vocal, que é 
atualizado periodicamente. 
 
 
Fig. 4 Diagrama de blocos do decodificador LPC [3] 
 
A excitação ideal a ser aplicada no filtro de síntese 
é o sinal residual obtido na saída do filtro inverso, 
quando na sua entrada é aplicado o próprio sinal de 
voz. Porém, no LPC essa excitação é modelada 
parametricamente, sem que se busque reproduzirsua 
forma de onda, mas somente as características mais 
marcantes do seu espectro de amplitude. É a 
modelagem “trem de impulsos/ruído”, onde a 
excitação, que é amplificada com um ganho G relativo à 
amplitude do sinal de voz, pode ser uma fonte de ruído 
branco (para segmentos surdos) ou um trem de pulsos 
separados pelo período de pitch (para segmentos 
sonoros). 
O modelo do trato vocal é conseguido por um 
filtro digital só de pólos e variante no tempo, do tipo: 
)(
1
)(
zA
zH  (5.1) 
onde, 



10
1
1)(
i
i
i zzA  (5.2) 
e os parâmetros i são os coeficientes preditores. 
O filtro de síntese H(z) tem a função de introduzir 
no sinal sintetizado a correlação a curto termo 
encontrada no sinal original. É a análise STP, ou short-
CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
5 
term prediction, na qual o cálculo dos coeficientes 
preditores pode ser realizado da forma apresentada a 
seguir. 
1) Para estimar a amostra presente, o preditor usa uma 
soma ponderada das últimas 10 amostras. Assim, pode-
se reescrever a amostra sn como: 


 
10
1i
ninin ess  (5.3) 
onde, sn: amostra atual 
sn-i: amostras anteriores 
en: erro de predição. 
2) Os coeficientes são calculados de modo a minimizar 
a energia média E do sinal en: 
 
 









N
n i
ini
N
n
n seE
1
210
01
2  (5.4) 
onde, por (5.2), 0 = -1 e N é o número de amostras 
contidas na janela de tempo pela qual o erro de 
predição é computado. Valores típicos são uma janela 
de 10 ms, correspondendo a um valor de N = 80 
amostras. 
3) Para minimizar E a respeito de um coeficiente m, é 
necessário fazer sua derivada parcial igual a zero: 
02
1
10
0


  
 

N
n i
inimn
m
ss
E 

 (5.5) 
 0
10
0 1

 

i
N
n
iinmn ss  (5.6) 
onde m=1,2,...,10. 
4) A soma mais interna pode ser vista como o 
coeficiente de correlação Cim, reescrevendo: 



10
1
0
i
miim CC  (5.7) 
5) Após determinar os coeficientes de correlação Cim, a 
equação (5.7) pode ser usada para determinar 
matricialmente os coeficientes preditores, já que se trata 
de um sistema linear de 10 equações e 10 variáveis. 
Os coeficientes preditores são atualizados a cada 
20ms aproximadamente, e são enviados junto com os 
demais parâmetros do sistema: 
 
 o flag de segmento sonoro/surdo; 
 o período de pitch, no caso de segmento sonoro; 
 o fator de ganho de excitação G, que determinará a 
amplitude do sinal de saída do filtro de síntese. 
 
Após serem codificados de forma binária, os 
coeficientes do filtro e os parâmetros descritos acima 
são enviados a uma taxa de 2,4 kbit/s. O resultado é 
um sinal de voz de qualidade razoável, levando-se em 
conta a relativamente baixa taxa de bits. 
6. Regular-Pulse Excited LPC with a Long-
Term Predictor: RPE-LTP 
 
O codificador utilizado no padrão GSM (Global System 
for Mobile communications), sistema de telefonia móvel 
digital largamente utilizado na Europa, é o RPE-LTP, 
que é um esquema híbrido baseado no LPC, no qual a 
excitação consiste em pulsos regularmente espaçados e 
de amplitude variada e que possui um preditor a longo 
termo. 
Este codificador tem uma taxa de bits de 13 kbps e 
combina vantagens do RELP (Residual Excited Linear 
Predictive) de banda básica, proposto pela França, e o 
MPE-LTP (Multi-Pulse Excited – Long-Term Prediction), 
proposto pela Alemanha, que não serão abordados 
neste trabalho. O que deve ser levado em consideração, 
no entanto, é que o RPE-LTP modifica o codificador 
RELP, incorporando algumas características do MPE-
LTP, e com isso reduz a taxa de bits de 14,77 kbit/s 
para 13 kbit/s sem perda de qualidade. A principal 
dessas modificações é a adição de um esquema de 
predição a longo termo, a chamada análise LTP (long-
term prediction). Além disso, deve-se considerar que no 
MPE-LTP, parte da informação transmitida é referente 
a posição dos pulsos usados na excitação, enquanto no 
RPE-LTP esses pulsos são regularmente espaçados 
dado um intervalo fixado, cabendo ao codificador 
determinar somente a posição do primeiro pulso e a 
amplitude de cada um deles, o que explica o termo 
Regular Pulse Excited. 
O codificador do RPE-LTP, apresentado na Fig. 
5(a), é composto de quatro blocos de processamento 
principais: 
 
 1ª Etapa: A seqüência de voz passa por uma 
equalização do tipo pré-ênfase, é ordenada em 
segmentos de 20 ms, e passa por um janelamento 
de Hamming; 
 2ª Etapa: Um filtro faz a análise STP do sinal, 
encontrando os coeficientes preditores do filtro de 
síntese. A seguir, esses parâmetros são utilizados 
para construir o filtro LPC inverso, que 
determinará o erro de predição en, que na verdade 
é a excitação que deveria ser utilizada no 
decodificador; 
 3ª Etapa: Porém, uma análise LTP do erro de 
predição encontra um período de pitch e um fator 
de ganho tais que minimizam esse sinal, 
maximizando a correlação cruzada de amostras 
sucessivas do mesmo. O erro de predição 
minimizado é chamado de LTP residual, ou rn. 
Esse sinal é ponderado e a seguir decomposto em 
três possíveis seqüências de excitação; 
 4ª Etapa: A seqüência de maior energia é 
selecionada para representar o LTP residual, sendo 
ENE/FT/UNB JULHO DE 2000 
6 
normalizada em relação ao pulso de maior 
amplitude, e transmitida a uma taxa de 9,6 kbit/s. 
 
O receptor, mostrado na Fig. 5(b), realiza o 
processo inverso. A seqüência de pulsos de excitação 
Xn é decodificada e processada por um filtro de síntese 
LTP, que usa o pitch e o ganho para sintetizar o sinal 
long-term. Este passa por um filtro de síntese STP 
construído a partir dos coeficientes preditores, 
recriando assim o sinal original. 
 
 
(a) Codificador 
 
 
(b) Decodificador 
 
Fig. 5 Diagrama de blocos do RPE-LTP [2] 
 
Os blocos de 20 ms de voz contêm 260 bits, que 
são ordenados, dependendo de sua importância, em 
grupos de 50, 132 e 78 bits cada. Os do primeiro grupo 
são os que mais afetam a qualidade da voz, por isso têm 
um maior número de bits para correção e detecção de 
erros. Os do segundo grupo são de média importância e 
os do terceiro grupo, por serem menos significativos, 
não têm correção ou detecção de erros. 
O RPE-LTP fornece boa qualidade de voz, mas 
consome bastante potência e requer uma alta taxa de 
bits se comparado com outros codificadores mais 
modernos. Sua maior vantagem é sua relativa 
simplicidade, uma vez que ele pode rodar em tempo 
real em um PC 486 de 66 MHz. Porém, com o 
barateamento dos DSP’s (processadores de sinais 
digitais) e a demanda cada vez maior por banda nos 
sistemas móveis, o RPE-LTP já vem sendo substituído 
por algoritmos de codificação mais eficientes, como o 
ACELP. 
7. Code Excited Linear Predictive: CELP 
 
A codificação preditiva linear excitada por dicionário de 
códigos, ou CELP, é um algoritmo híbrido, que 
trabalha com um modelo matemático do trato vocal ao 
mesmo tempo em que tenta aproximar o sinal gerado 
ao sinal de voz original, conseguindo assim reproduções 
de boa qualidade a taxas de até 4 kbit/s, consideradas 
relativamente baixas. 
A maioria das técnicas de codificação de voz 
aplicadas na telefonia celular derivam do CELP, se 
distinguindo deste basicamente por modificações nos 
dicionários de código que dão origem à excitação. Por 
isso, embora não seja utilizado diretamente nos 
sistemas móveis, o CELP é abordado neste item. 
A Fig. 6(a) mostra um diagrama de blocos genérico 
do codificador CELP, que tem um modelo básico do 
tipo “fonte de excitação/filtro sintetizador”, como nos 
codificadores paramétricos. 
 
 
(a) Codificador 
 
 
(b) Decodificador 
 
Fig. 6 Diagrama de blocos de um sistema CELP [9] 
 
A diferença básica entre o CELP e os vocoders 
está na fonte de excitação, que é não é do tipo trem de 
pulsos/ruído como no LPC, mas sim constituído por 
um esquema de quantização vetorial de dois estágios 
em paralelo. 
O primeiro estágio possuium dicionário adaptativo 
que é constituído por K1 seqüências retiradas da 
CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
7 
excitação passada e é responsável pela reprodução da 
periodicidade dos segmentos sonoros do sinal de voz, 
substituindo o filtro correlator a longo termo 
empregado nos primeiros codificadores CELP. Valores 
típicos para K1 são 128 e 256. 
O segundo estágio possui um dicionário fixo 
constituído por K2 seqüências estocásticas, 
determinísticas, ou obtidas por meio de um 
procedimento de treinamento. Valores usuais de K2 são 
128, 256, 512 e 1024. 
Para uma freqüência de amostragem de 8 kHz e 
período de atualização do preditor de pitch de 5ms, estas 
seqüências devem ter 40 amostras cada. Os parâmetros 
do filtro síntese, que são em geral 10, são por sua vez 
atualizados a cada 20ms. 
A seqüência de excitação com a qual se deseja 
reproduzir o segmento de voz é obtida como uma 
combinação linear de duas seqüências obtidas uma de 
cada dicionário, que são escolhidas por um 
procedimento onde são testadas diversas excitações 
possíveis para sintetizar o segmento de voz corrente, 
escolhendo-se aquela que minimiza a medida de erro 
ponderado na saída do filtro de ponderação. É a 
chamada análise-por-síntese. 
Portanto, o que é enviado ao decodificador, 
apresentado na Fig. 6(b), não é a seqüência de excitação 
em si, mas os ganhos e índices que identificam as duas 
seqüências nos dicionários, que também existem no 
decodificador, implicando assim em uma boa qualidade 
de voz a uma baixa taxa de bits. 
 
8. Vector Sum Excited Linear Predictive: 
VSELP 
 
A codificação linear preditiva excitada por soma e 
vetores, ou VSELP, é o algoritmo de codificação de voz 
utilizado nos sistemas TDMA IS-54B e IS-136, de 
telefonia móvel celular. O IS-136 ainda pode usar 
outros algoritmos, como o ACELP, descrito no item 9. 
O codificador de voz VSELP é uma variação do 
algoritmo CELP, e foi projetado para suprir suas 
deficiências, ao atingir três objetivos: alta qualidade de 
voz, complexidade computacional modesta e robustez a 
erros de canal. 
O VSELP conta com um dicionário adaptativo, 
como o CELP, mas o dicionário fixo é substituído por 
dois dicionários de código organizados com uma 
estrutura pré-definida, evitando a procura por “força-
bruta”. Isso reduz significativamente o tempo 
necessário para busca da palavra-código ótima, além de 
trazer alta qualidade de voz e uma maior robustez a 
erros de canal, mantendo baixa complexidade, a uma 
taxa de 7,95 kbit/s. 
A Fig. 7(a) mostra o diagrama de blocos de um 
codificador VSELP, que tem sua seqüência de excitação 
formada pela combinação linear de 3 seqüências, 
obtidas uma de cada dicionário. 
 
 
(a) Codificador 
 
 
(b) Decodificador 
 
Fig. 7 Diagrama de blocos do VSELP [3] 
 
Como no CELP, o dicionário adaptativo é 
responsável pela predição a longo termo, introduzindo 
a periodicidade encontrada no sinal de voz (pitch). Cada 
um dos dois dicionários fixos do VSELP contém 128 
vetores de 40 amostras, formados a partir de 
combinações lineares de 7 vetores base. 
A busca nestes dicionários é realizada logo após a 
determinação do atraso ótimo do dicionário adaptativo 
(L) e é feita de modo seqüencial. Primeiro determina-se 
a melhor seqüência do primeiro dicionário estruturado, 
levando-se em conta a seqüência já escolhida do 
dicionário adaptativo. Em seguida, determina-se a 
melhor seqüência do segundo dicionário estruturado, 
considerando-se agora as duas seqüências previamente 
escolhidas. 
ENE/FT/UNB JULHO DE 2000 
8 
Envia-se ao decodificador, mostrado na Fig. 7(b), o 
atraso do dicionário adaptativo (L), os índices dos 
vetores dos dicionários fixos (I e H), os respectivos 
ganhos (, 1 e 2), e os parâmetros LPC do filtro de 
síntese. Assim o receptor gera a excitação fazendo uma 
combinação linear das três seqüências de excitação 
especificadas e a utiliza como sinal de entrada no filtro 
LPC, que introduz a correlação a curto termo, gerando 
a voz sintetizada. 
Devido à estruturação dos dicionários utilizados no 
VSELP, um procedimento de busca sub-ótimo é 
conseguido, o que mantém a carga computacional baixa 
o suficiente para implementação em tempo real com os 
DSP’s disponíveis. Aliam-se a isso os ganhos obtidos na 
qualidade de voz e na robustez a erros de canal, além da 
ainda relativamente baixa taxa de bits, que justificam a 
grande utilização deste codificador nos sistemas móveis 
atuais. 
 
9. Algebraic Code Excited Linear Predictive: 
ACELP 
 
Como já mencionado no item 8, o sistema TDMA 
IS-136 pode utilizar vários tipos de codificação de voz, 
visando manter compatibilidade com sistemas 
anteriores, enquanto oferece maior qualidade de voz 
aos consumidores. Com o desenvolvimento das 
tecnologias de compressão de voz, melhores 
codificadores se tornaram disponíveis. Por isso, além 
do VSELP, original do IS-54B, o IS-136 pode usar o 
codificador de voz do IS-641, que é um algoritmo EFR 
(Enhanced Full Rate) de codificação linear preditiva 
excitada por código algébrico, o ACELP [14]. 
Padronizado pelo ITU-T SG15 na recomendação 
G.723, o ACELP tem qualidade de voz igual, se não 
melhor que o ADPCM a 32 kbit/s, e transmite voz de 
com melhor qualidade e de forma menos sensível a 
ruído que o VSELP, à mesma taxa de 7,95 kbit/s. 
A diferença básica entre o ACELP, cujo diagrama 
de blocos é apresentado na Fig. 8, e o CELP está no 
dicionário fixo, que é baseado em uma estrutura 
algébrica. Assim como no CELP, a seqüência de 
excitação é obtida como uma combinação linear de 
duas seqüências, uma obtida do dicionário fixo e outra 
do dicionário adaptativo. Porém, a análise-por-síntese é 
mais eficiente que no CELP. 
A busca no dicionário adaptativo é realizada 
somente ao redor de uma região limitada por um 
período de pitch, estimado a cada 10ms por duas análises 
diferentes: open-loop e closed-loop (esses dois processos 
serão discutidos no item 10). Com esse parâmetro, 
seleciona-se a melhor seqüência com uma resolução de 
1/3 para o atraso de pitch. 
 
 
Fig. 8 Diagrama de blocos do codificador ACELP [6] 
 
Como já mencionado, o dicionário fixo é baseado 
em uma estrutura algébrica. Neste dicionário, cada 
vetor de palavra código contém quatro pulsos 
diferentes de zero. Cada pulso pode ter uma amplitude 
de +1 ou –1 e assumir as posições dadas na Tabela 2. 
Como o dicionário é estruturado, é possível se realizar 
uma busca mais eficiente. No caso ela é realizada por 
quatro laços em série, e uma tática de pesquisa 
focalizada é utilizada para tornar mais simples o 
procedimento de busca. 
 
Tabela 2 Estrutura do dicionário fixo [6] 
Pulso Sinal Posição 
i0 s0: 1 m0: 0, 5, 10, 15, 20, 25, 30, 35
i1 s1: 1 m1: 1, 6, 11, 16, 21, 26, 31, 36
i2 s2: 1 m2: 2, 7, 12, 17, 22, 27, 32, 37
i3 s3: 1 m3: 3, 8, 13, 18, 23, 28, 33, 38
 4, 9, 14, 19, 24, 29, 34, 39
 
A estrutura algébrica do dicionário fixo também 
garante ao ACELP sensibilidade reduzida a erros no 
canal e voz codificada de melhor qualidade. A ref. [11] 
apresenta uma comparação da qualidade de sinais de 
voz codificados com ACELP e VSELP e também no 
AMPS (modulação analógica FM), a diferentes 
condições de relação sinal/ruído. Os exemplos 
fornecidos evidenciam a robustez do codificador 
ACELP, uma vez que este mantém sua inteligibilidade e 
apresenta qualidade de voz relativamente boa mesmo 
aos mais baixos níveis de C/N. 
A ref. [6] apresenta ainda uma proposta de um 
algoritmo de taxa variável para o ACELP, conseguindo 
diminuir a taxa média de bits para 4,4 kbit/s, sem 
degradação da qualidade de voz, ao levar em 
consideração a atividade de voz. 
CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
9 
10. Qualcomm Code Excited Linear 
Predictive: QCELP 
 
O sistema IS-95 de telefonia móvel CDMA utiliza o 
codificador de voz QCELP, que é um padrão em 
sistemas de espectro espalhado, podendo utilizar quatro 
taxas de bit diferentes - 9,6 / 4,8 / 2,4 / 1,2 kbit/s – deacordo com o segmento de sinal que está sendo 
codificado. A Qualcomm, empresa que desenvolveu o 
algoritmo QCELP, também produz equipamentos com 
os quais pode-se fixar a taxa de bits em 9,6 ou 4,8 
kbit/s, o que pode ser desejado em função do tráfego 
no sistema CDMA. 
Além da taxa variável, a diferença básica do 
QCELP para outros algoritmos baseados no CELP, 
está na forma como a correlação a longo termo é 
codificada. Já a predição a curto termo é realizada com 
um filtro LPC, como nos sistemas já abordados. 
O primeiro passo para a codificação, cujo diagrama 
de blocos simplificado é apresentado na Fig. 9(a), é um 
pré-processamento, que consiste basicamente em um 
filtro passa-altas que retira a componente DC do sinal, 
seguido de um janelamento de Hamming que reduz o 
efeito da divisão do sinal em blocos. 
 
 
(a) Codificador 
 
 
(b) Decodificador 
 
Fig. 9 Diagrama de blocos simplificado do QCELP 
 
Segue-se a isso a análise LPC, que determina os 
parâmetros do filtro de síntese, e, em paralelo, um 
procedimento para determinação da taxa de dados, que 
analisa as características do quadro para decidir se este 
pode ser codificado a uma taxa reduzida sem afetar a 
qualidade de voz. Para sons surdos, utiliza-se ¼ da taxa 
(2,4 kbit/s) e para pausas ou ruído de fundo utiliza-se 
1/8 da taxa (1,2 kbit/s). Para segmentos sonoros, a taxa 
máxima (9,6 kbit/s) é usada em quadros transitórios, 
com periodicidade reduzida, ou que não são bem 
modelados, os quais requerem taxa máxima para que se 
consiga boa qualidade de voz. Para segmentos sonoros 
bem modelados, estacionários e periódicos é usada ½ 
da taxa (4,8 kbit/s). 
A busca do período de pitch, que modela a 
correlação a longo termo, pode ser realizada através de 
dois modelos: open-loop e closed-loop. Em um modelo open-
loop, como ilustrado na Fig. 10(a), retira-se a correlação 
a curto termo do sinal de voz ao passá-lo pelo filtro 
LPC inverso. A seguir, o sinal residual r[n] entra no 
filtro preditor de pitch P(z), que tenta retirar a correlação 
a longo termo, produzindo o pitch residual e[n]. O filtro 
P(z) tem dois parâmetros, ganho de pitch b e atraso de 
pitch L, que devem ser otimizados para que a energia 
média de e[n] seja minimizada, resultando em um sinal 
cujas características lembram as de um ruído branco. 
 
 
(a) Processo open-loop 
 
 
(b) Processo reverso 
 
Fig. 10 Modelo básico de reconstrução da voz usado no 
algoritmo QCELP 
 
O modelo básico de reconstrução da voz usado no 
QCELP é o closed-loop, que se baseia no processo 
reverso, mostrado na Fig. 10(b). Usando-se ruído 
branco como fonte de excitação, passando-a por um 
filtro de síntese de pitch 1/P(z) e na seqüência por um 
filtro de síntese de formante H(z), que introduzem 
respectivamente a correlação a longo e a curto termos, 
resultando em o que se espera ser, voz sintetizada. A 
busca pelos parâmetros b e L é feita de forma a 
minimizar a diferença entre o sinal original e o sinal 
ENE/FT/UNB JULHO DE 2000 
10 
sintetizado obtido a partir de uma excitação que se 
aproxima de ruído branco. 
Essa excitação é obtida a partir de um dicionário 
pseudo-aleatório ou de um dicionário gaussiano, para 
taxas de ¼ e 1/8 ou 1 e ½ respectivamente. O dicionário 
gaussiano tem 128 vetores de 128 amostras e dois 
parâmetros, índice I e ganho G. O dicionário pseudo-
aleatório usado é chamado de dicionário circular com 
deslocamento unitário, onde o vetor de uma linha é o 
vetor da linha anterior descolado de uma amostra. O 
parâmetro que identifica o deslocamento é o RSeed, e 
não há parâmetro de ganho. 
O decodificador, que é apresentado na Fig. 9(b), 
recebe então os coeficientes do filtro LPC, os 
parâmetros do filtro de síntese de pitch (b e L), e os 
parâmetros da excitação (RSeed ou G e I). Com essa 
informação ele monta os filtros de síntese e utiliza a 
excitação especificada para sintetizar o sinal de voz. 
Portanto, o QCELP consegue sintetizar o sinal de 
voz com taxas médias de bits menores que os demais 
codificadores, sem requerer um dicionário adaptativo 
para modelar a correlação a longo termo. No entanto, a 
qualidade obtida é inferior à dos demais codificadores 
aqui abordados, mesmo à taxa máxima. 
 
11. Conclusão 
 
As técnicas abordadas neste trabalho são todas 
derivadas do codificador paramétrico LPC, tendo o 
modelo do trato vocal baseado em um filtro que 
introduz a correlação a curto termo presente no sinal de 
voz. A diferença básica está na forma como é gerada a 
excitação, responsável por introduzir a correlação a 
longo termo e descrever as pequenas diferenças 
percebidas entre períodos tonais sucessivos do sinal a 
ser codificado. 
No RPE-LTP a informação da correlação a longo 
termo é obtida por um filtro LTP e as diferenças 
percebidas entre períodos tonais são descritas pela 
seqüência de excitação residual enviada ao 
decodificador. Nos codificadores VSELP e ACELP o 
filtro LTP é substituído por um dicionário adaptativo e 
a seqüência residual é obtida a partir de dicionários de 
código estruturados. No QCELP não há dicionário 
adaptativo, mas um filtro de síntese de pitch. A 
seqüência residual, no entanto, é obtida a partir de 
dicionários fixos como nos demais codificadores 
derivados do CELP. 
Essas diferentes soluções para descrever a 
excitação a ser usada no decodificador implicam em 
diferentes taxas de bits e diferentes qualidades de voz, 
como mostra a Tabela 3. O índice MOS (mean opinion 
score) apresentado é obtido a partir de testes subjetivos 
onde várias pessoas ouvem determinadas seqüências de 
diálogo ou duplas de palavras rimadas, com os quais 
obtém-se uma avaliação em uma escala de 1 a 5 pontos 
para a inteligibilidade das amostras, onde 1 é muito 
ruim e 5 é excelente. Nota-se, portanto, que o RPE-
LTP e o VSELP já não são as melhores soluções em 
termo de taxa de bits nem de qualidade de voz, e vêm 
sendo substituídos nos novos sistemas TDMA pelo 
codificador ACELP, que ainda é mais robusto a erros 
devido à estrutura algébrica do seu dicionário fixo. Nos 
sistemas de espectro espalhado se usa o QCELP, que 
apesar de ter uma qualidade de voz inferior ao ACELP, 
oferece uma taxa de bits, em média, menor. 
 
Tabela 3 Comparação entre as técnicas abordadas 
Técnica Padrão Taxa de bits Excitação Modelo do Trato Vocal Qualidade (MOS rating) 
RPE-LTP GSM 13 kbit/s pulsos regulares e análise LTP filtro LPC (análise STP) 3,54 
VSELP IS-54B e IS-136 7,95 kbit/s 
1 dicionário adaptativo 
2 dicionários fixos estruturados filtro LPC (análise STP) 3,8 
ACELP IS-136 7,95 kbit/s 1 dicionário adaptativo 
1 dicionário com estrutura algébrica 
filtro LPC (análise STP) 3,9 
1,2/2,4 kbit/s 1 dicionário pseudo-aleatório QCELP IS-95 
4,8/9,6 kbit/s 1 dicionário gaussiano 
filtro LPC (análise STP) 3,45 (taxa máxima) 
 
Reconhecimento 
 
Este trabalho foi orientado pelo Prof. Paulo H. P. de 
Carvalho como projeto final para a disciplina Tópicos 
Especiais em Telecomunicações - Sistemas de 
Comunicações Móveis, ministrada no período 1o/00. 
Além do Prof. Paulo, colaboraram também o Prof. 
Lúcio M. Silva e o Prof. Sebastião Nascimento, 
indicando e fornecendo referências bibliográficas e 
compartilhando um pouco do seu vasto conhecimento 
sobre o assunto em questão. 
 
 
Referências 
 
[1] ALENCAR, Marcelo S., "Telefonia Digital", 2ª Edição, 
Editora Érica Ltda., São Paulo-SP, 1999. 
[2] RAPPAPORT, Theodore S.,"Wireless Communications: 
Principles & Practice", Prentice Hall, New Jersey, 1996. 
[3] FIACADOR, Altair R., "Estudo e Simulação do 
Codificador de Voz VSELP do Padrão IS-136", 
Relatório de Projeto Final, Universidade de Brasília, 
Dezembro de 1999. 
[4] UNIVERSITY OF SOUTHAMPTON, UK, 
"Commonly Used Speech Codecs". ..............................….. 
CARVALHO e DIAS: TÉCNICAS DE CODIFICAÇÃO DE VOZ EM SISTEMAS MÓVEIS 
11 
http://www-mobile.ecs.soton.ac.uk/speech_codecs/ 
common_classes.html 
[5] MOTOROLA INC., "Vector Sum Excited Linear 
Prediction (VSELP) 13000 Bit Per Second Voice CodingAlgorithm Including Error Control for Digital Cellular - 
Technical Description". Motorola Inc, 18 de outubro de 
1989. 
[6] CHUNG, Woosung e Sangwon KANG, "Design of a 
Variable Rate Algorithm for the CS-ACELP Coder", 
IEIC Trans. Inf. & Syst., Vol. E82-D, no.10, Outubro de 
1999, pp. 1364-1371. 
[7] WANG, Derek Q., "QCELP Vocoders in CDMA 
Systems Design". ..................................................................... 
http://www.csdmag.com/main/1999/04/ 
9904feat3.htm 
[8] LINCOM CORPORATION, "RPE-LTP (13 Kbps) - 
Regular-Pulse Excited LPC with a Long-Term 
Predictor", 1998. ………………………………………. 
http://www.lincom-asg.com/ssadto/rpe-ltp.html 
[9] SILVA, Lúcio M., "Contribuições para a Melhoria da 
Codificação CELP a Baixas Taxas de Bits", Tese de 
Doutorado, Pontifícea Universidade Católica do Rio de 
Janeiro, 1996. 
[10] RABINER, L. R., "Applications of Voice Processing to 
Telecommunications", Proc IEEE vol. 82, 1994, pp. 
197-228. 
[11] UNIVERSAL WIRELESS COMMUNICATIONS 
CONSORTIUM, "Comparison of ACELP, VSELP and 
AMPS Voice Quality Under Low Carrier-to-Noise RF 
Conditions". 
http://www.uwcc.org/edge/papers/acelp.html 
[12] SKLAR, Bernard, "Digital Communications: 
Fundamentals and Applications", 1a Edição, Prentice 
Hall, New Jersey, 1988. 
[13] CARNEGIE MELLON UNIVERSITY, "Speech at 
CMU Web Page". .................................................................... 
http://fife.speech.cs.cmu.edu/speech/ 
[14] HARTE, Lawrence J., Adrian D. SMITH e Charles A. 
JACOBS, "IS-136 TDMA Technology, Economics and 
Services", Artech House, Boston - London, 1998. 
[15] HUGHES NETWORK SYSTEMS, "News Releases: 
HNS Offers Enhanced Quality Voice Via Commercially 
Available IS-136 TDMA". .................................................,... 
http://www.hns.com/news/pressrel/snd_pres/ 
p030397.htm